用于三维磁共振图像的双向注意力并行网络分割方法技术

本发明专利技术涉及深度学习、计算机辅助医疗和医学影像处理技术领域，具体为一种用于三维磁共振图像的双向注意力并行网络分割方法，其包括:S1、改进通道注意力机制模块处理三维磁共振图像，获得三维磁共振图像特征图；S2、构建平行空间注意力机制模块，处理三维磁共振图像特征图，得到三维磁共振图像输入块；S3、构建双线并行模式，对三维磁共振图像输入块进行特征拼接；S4、对三维磁共振图像进行三重一致性训练，完成三维磁共振图像的分割操作。本发明专利技术通过构造通道注意力机制和平行空间注意力机制提取到空间和通道特征，结合一致性训练与熵正则化，让子模型互相学习，实现更准确判断；通过对双向注意力并行网络的评估，证明本方法具有通用性和鲁棒性。

【技术实现步骤摘要】

本专利技术属于深度学习、计算机辅助医疗和医学影像处理，特别涉及一种用于三维磁共振图像的双向注意力并行网络分割方法。

技术介绍

1、具有高精度的医学图像分割是许多下游临床应用所期望的。医学图像的准确分割能够为医生的诊断提供丰富的看得见的信息。随着计算机计算能力与神经网络的蓬勃发展，诞生了大量的监督式深度学习网络。并且，全监督的深度学习方法在许多分割任务中取得了最先进的分割水平。但是，全监督的网络需要大量的带有标注的数据集，这对于医学图像来说是非常困难的。因为医学图像只有专业的医生才能看得懂，也只有在医生所熟知的医学领域的图像上打标签。但医生看病时并不需要对检查的图像进行打标签操作，因为医生看得懂。这也就意味着需要专门的寻找医生合作来对特定的医学图像打标签。这是造价非常昂贵且耗时的。并且很多时候，并不都能获取到足够多的有所需结构的注释的数据集。

2、无监督域适应能够用来解决这个问题。采用自我训练策略来进行学习。这类方法主要是通过相同语义标签的区域具有大量相似的特征并与不同语义标签的区域不相似来分割各个区域。其中，正确定义相似与不相似以获取更好的识别本文档来自技高网...

【技术保护点】

1.一种用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于，其包括：

2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适应平均池化模块，第二子模块为自适应最大池化处理模块；经过连续快速卷积之后，将两个子模块得到的结果在通道维度上进行拼接后再进行一个三维卷积操作；融合两个子模块的信息特征；之后通过sigmoid函数激活，将激活后的权重与输入三维磁共振图像X相乘。

3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤...

【技术特征摘要】

1.一种用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于，其包括：

2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适应平均池化模块，第二子模块为自适应最大池化处理模块；经过连续快速卷积之后，将两个子模块得到的结果在通道维度上进行拼接后再进行一个三维卷积操作；融合两个子模块的信息特征；之后通过sigmoid函数激活，将激活后的权重与输入三维磁共振图像x相乘。

3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s3中经第一运行模式处理得到三维磁共振图像第一特征块，具体为：第一运行模式为三维磁共振图像输入块经过加入通道注意力机制模块的卷积操作之后，再进行下采样操作得到包含通道方面注意的三维磁共振图像第一特征块。

4.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s3中经第二运行模式处理得到三维磁共振图像第二特征块，具体为：第二...

【专利技术属性】
技术研发人员：王冬生，徐铁真，杨立洁，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：